音频事件检测

论文用 305 首棚录独唱和 68000 余段音频对齐的装饰音标注解决韩语传统声乐缺乏可计算语料的问题，基线显示音高曲线在分类上超过冻结通用音乐模型，而频谱在线索定位上互补，代价是固定调与速度限制了自然表达。

论文针对开放词汇音视事件定位中手工模板敏感与可学习提示偏向已见类的问题，用跨音频视觉的连续提示调优加语义拓扑一致性正则保持类间相似结构，在 OV-AVEBench 上已见平均 71.2% 与未见平均 61.7% 的条件下取得提升，代价是仍依赖冻结编码器与合成类别代理。

针对仅用环境音频检测鼾声、低通气和阻塞性呼吸暂停并估计 AHI 的问题，论文提出把多分辨率自适应线增强器的置信图直接送入注意力偏置和特征调制，在 APSAA 上取得 Event-F1 0.7105 的最好结果，代价是三路滤波加双流建模带来额外计算和单中心小样本的适用限制。

论文要解决 Whisper 只出词而丢掉呼吸笑声喇叭声的问题，用统一七个异构数据集的卷积加 Transformer 每 40 毫秒输出 54 类概率的做法，在重叠留出数据的留出集上敏感档找到约三分之二事件但宏观精度只有 0.30，代价是阈值与评估都偏乐观且弱类仍不可用。

Logbook 把小时级音频理解定义为无空隙切分加每段事件标签与描述，用三套数据比较 52 种级联与端到端系统，发现任务可行但普遍过分割，微调能缓解而端到端在更长窗口上会退化。

该文针对开放词汇下每秒事件分类中视听相似度固定融合丢失自由度的问题，用复数卷积网络学习融合视听与文本相似度，并在冻结 ImageBind 上加 iHSV 与相位翻译两路辅助流，在 OV-AVEBench 未见类上达到 66.5/59.1/54.1% 的准确率/段级 F1/事件级 F1，代价是四流推理增加约 135 ms 延迟且跨数据集迁移不稳定。

本文针对音频时刻检索中解码器预测不准短时刻的问题，对比同一模型的两路输出，发现用无学习参数的峰相对切分把帧级显著性序列直接转成时刻，在 CASTELLA 上显著优于解码器，而训练仍需要解码器监督，实验基于已披露的 200 轮、批量 32、AdamW 学习率 1e-4 等配置。

该文用激活交换、解码与转向证明三款大音频语言模型都在中间层把粗粒度相对时间绑到事件名表示上并能因果改变前后判断，但该表示只能粗解码到约 3.5 至 4 秒且不能一致移动预测的起始时间戳。

针对瓶鼻海豚哨声结构研究缺深纵向数据的问题，论文用半自然定点连续录音加两阶段标注构建约 18 万哨声语料与 8354 条专家标注子集，并以域内 Wav2Vec2.0 线性探测在分类与检测上超过通用生物声学模型，但两任务仍留有明显误差空间与单点单群等限制。

针对整句单标签无法定位多人多事件录音中情绪归属的问题，论文把任务改写为带起止时间的语音段结构化预测，并用掩蔽情绪与距离加权时间戳辅助损失训练 EMO-TAG，在 MELD 和 IEMOCAP 多段定位与单句识别上超过所比基线，但代价是两次前向与精心清洗的多段构造流程。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

针对多智能体语音流水线中转写、说话人、时间与标注在工具格式间易丢失的问题，OneVoice 用稳定标识、分层转写与显式来源的 JSON 会话记录加校验器组织交接，在 15 组儿童语音事件聚合与 40 组 TIMIT 时序链接上以三模型验证了计数与时序保持的改善，但校验修复收益与模型相关且未验证延迟成本。

论文要解决从常态嗓到嘎裂嗓转变点的自动定位问题，选择不惩罚八度跳变的 REAPER 基频加声门闭合时刻估计配合导数阈值与能量峰约束，最强证据是 474 个澳式英语/hVt/样本上与人工标注的组内相关系数为 0.768 且元音长短效应结论一致，代价是自动法系统性偏早一至两个脉冲且仅验证了一种音系来源的尾部嘎裂。

该文用装配演算的稀疏竞争与局部可塑性处理连续语音，在无权训练下以边界变化信号得到音素 F1 为 0.69 与词 F1 为 0.61，以每类循环区的轨迹共振得到音素 47.5% 与命令词 45.1% 准确率，代价是阈值需每句调优且细类区分仍弱。

针对呼吸音频中呼吸常被语音活动检测判为静音的问题，BreathGRU 用双向循环时序建模加时长约束解码做语音与呼吸两类分割，在手动标注哮喘语音上取得呼吸事件召回 0.83 与平均匹配交并比 0.81，代价是整体时长误差与部分语音指标仍弱于 Silero。

针对无文本监督音素切分中单帧硬边界不能表达渐变过渡的问题，该文用左右时长决定的半高斯软目标替换边界附近标签，在保持双层 BiGRU 不变下 TIMIT 上 R 值达 91.53%，代价是需要调扩散比与正类权重并依赖强制对齐边界做枢轴。

FakeSound2 把声音伪造检测从二分类扩展为定位何时伪造、辨别如何伪造与追溯何处来源的三维诊断，证据是域内操纵类型精度 93.1% 掉到域外 32.4%，代价是相似操纵与新来源仍难区分且需大规模可控构造与标注。

该文把长音频活动识别做成从事件序列出发的层次解析，用训练脚本归纳的概率上下文无关文法加噪声节点约束子活动顺序与组成，在 MultiAct 上以事件监督恢复子活动切分与活动标签，最强证据是 Eval 子活动 Edit 从 24.6 到 35.3 的顺序一致性提升，代价是边界精度在严格 IoU 下未同步改善。

论文把连续监听下的何时提醒形式化为四态决策，用打断与静默两种解码标记在 Qwen2-Audio-7B 上实现主动辅助，在 ESC-50 上报告 99.6% 打断 F1 与 100% 去重召回，在 Epic-Sounds 零样本下保持 96.7% 起始召回，代价是噪声域静默召回偏低且平均延迟约 3.5 秒。

针对仅用麦克风检测鼾声、低通气和阻塞性呼吸暂停并估计 AHI 的问题，论文提出把多分辨率 ALE 的逐帧置信图注入 Transformer 注意力偏置与特征调制的 ACF-SED，在 APSAA 上报告 Event-F1 0.7105、Segment-F1 0.6930、PSDS 0.7633，代价是双流编码与门控交叉融合带来的结构与调参复杂度。